Ebook

Product
Management
Como garantir o alinhamento
dos times de dados e produto.
 Bem-vindo!

Se você está aqui, no mínimo tem curiosidade de como o time de

dados e produto podem estar mais alinhados.

Para garantir esse alinhamento, tudo começa com a compreensão

de que quando falamos de dados, temos que pensar na organiza-
ção como um todo! E como Product Manager, você deve entender
minimamente as competências, funções, aplicações e modelos de
times de dados para participar dessa estruturação, pois essa estru-
tura tem um impacto direto na evolução do produto.

Ou seja, para que os times trabalhem de maneira fluida, o time de

produto precisa entender os principais conceitos de dados. Por isso
separamos o ebook nas seguintes 5 sessões:
 SUMÁRIO

1. Como product managers usam dados?

Em que etapa do desenvolvimento do produto e jornada do cliente os dados podem ser úteis? 4

2. As principais competências de dados.

PMs com certeza terão contato com o time de dados, porém, dependendo de como seu time for
estruturado, você pode ter que gerenciar profissionais de dados, por isso é importante entender quais
são esses profissionais e suas funções. 6

3. Qual sua maturidade de dados?

Onde você está na sua jornada data-driven? Cada etapa demanda competências diferentes, o que dita as contra-
tações e até mesmo a estrutura do seu time de dados, e por consequência, como ela se relaciona com o time de
produto. 8

4. Como o time de dados deve integrar o time de produto?

Quais os modelos de times de dados e como eles se integram ao resto da organização? 10

5. Nunca limite os dados de produto ao time de desenvolvimento!

Os dados de produto não se resumem a Product Management. Como outras áreas da organização podem se
beneficiar dos dados de produto. 15
 4

Sessão 1 Como product managers

usam dados?

Dados são sempre úteis (e isso não se limita aos PMs), ou seja, eles podem
ser utilizados de diversas formas e com diferentes objetivos. A análise de
dados cabe em todo o processo de desenvolvimento e melhoria do produto,
não existe um momento onde essa prática seja mais valiosa. Listamos abaixo
alguns dos diversos momentos do desenvolvimento do produto e ciclo do
cliente onde a análise de dados pode (e deve) ser aplicada.

Processo de Descoberta

Pense nesse processo em basicamente entender o que funciona e o que não

funciona. PMs devem usar dados para entender as falhas do produto e que
mudanças devem ser feitas, além de entender que features são mais utiliza-
das e como aproveitá-las. Por isso, tenha certeza que você sempre está
trackeando informações precisas sobre o uso do seu produto.

Desenvolvimento do Roadmap

Estude o uso do produto através do “Processo de Descoberta” para entender

quais as features e bugs que merecem mais atenção. Qual problema que o
usuário pode ter que irá desencadear um churn? Pensando na experiência do
usuário, que feature estimula seu engajamento?

Novas Features
Ao lançar novas features, defina quais são as mé-
tricas de sucesso. Quantos clientes estão usando
a nova funcionalidade? Os usuários que utilizam
essa feature, engajaram mais com o produto
como um todo? Além de métricas específicas
para cada feature e seu objetivo, é importante
mensurar e acompanhar KPIs de maneira
frequente, assim você terá entendimento do que
é “bom” quando uma nova feature é lançada, por
isso busque sempre ter os dados com acesso
fácil! (Ninguém quer ter que ficar tirando relatório
manualmente, né? )
Onboarding
Dados também são importantes para definir sua
estratégia de onboarding. Como por exemplo,
entender qual funcionalidade deve ter mais
tempo dedicado no processo pois ela leva a um
sucesso maior do cliente, ou uma feature que é
mais complexa e caso o cliente não entenda
pode ter uma experiência ruim. Além desse
aspecto, os dados do produto podem ser usados
para mensurar a qualidade do onboarding como
um todo.
5
ABs e a Cultura de experimentação
Outro caso de uso de dados por Product Mangers são os
testes AB’s. Monitorar e testar features antes de implementá-
-las para todos os usuários é necessário e faz parte das boas
práticas. É uma forma de ter certeza que você não está
seguindo sua intuição, ou um “chute” de algum colaborador
ao desenvolver novas features ou bolar o roadmap.
In god we trust, all others must bring DATA.
Retenção
Entender como os usuários utilizam o produto é crucial para
manter os maiores níveis de retenção. Monitorar KPIs e a
jornada do seu cliente no produto de forma fácil e recorrente
vai colocar sua empresa à frente dos seus concorrentes.
Tenha certeza que o acesso a esse tipo de informação
também vai fazer a vida de qualquer Customer Sucess Mana-
ger melhor.
 6

Sessão 2 As principais competências de dados.

Antes de falarmos sobre competências, é interessante que você tenha na

cabeça a cadeia de valor da informação. Existe um processo para que se extraia
real valor dos dados, e ele está linkado com o próximo tópico “Maturidade de
dados”. Esse processo pode ser resumido em 1. Coletar, 2. Tratar e 3. Aplicar os
dados. Também separamos as “roles” de dados em 3, é importante deixar claro
que é uma simplificação que faz sentido para a maioria das empresas.

O trabalho sujo.

Cada etapa descrita anteriormente demanda competências e habilidades

diferentes. As 2 primeiras são responsabilidades dos engenheiros de dados,
que fazem o trabalho mais pesado, de transformar dados crus em dados
úteis. Quando falamos sobre ciência de dados, 80% do trabalho é preparar e
tratar as informações. Por favor, uma salva de palmas para os engenheiros de
dados.

Btw, você conhece algum? Estamos contratando rs.

Definição de métricas.

Os analistas de dados, são responsáveis por analisar os dados disponíveis na

empresa (que normalmente já foram tratados e disponibilizados pelos enge-
nheiros). Eles normalmente são os profissionais que definem as métricas de
negócio
 7

Democratização.

Os analistas de BI (Business Intelligence), também conhecidos

como desenvolvedores de BI, tem o objetivo de descobrir insights e
explicar suas descobertas para outros na organização. Também
utilizam os dados que já foram preparados pelos engenheiros de
dados para desenvolver os dashboards (painéis de controle) nas
ferramentas de BI com o intuito de democratizar os dados para as
áreas, facilitando as análises.

Impacto.

O cientista de dados é o responsável por causar impacto dentro do negócio. Ele basicamente tem a função
de elaborar e testar hipóteses pensando no impacto ( ) que pode causar no negócio. Algumas vezes o seu
trabalho se assemelha com o do Analista de Dados, em algumas empresas inclusive uma pessoa desem-
penha ambas as funções. A principal diferença é que o cientista de dados é mais orientado para o desen-
volvimento de algoritmos e modelos matemáticos para aplicar serviços de machine learning e inteligência
artificial. Em empresas de tecnologia, ele é o responsável por desenvolver e incorporar esse algoritmos no
produto.

**Algumas empresas mais evoluídas na maturidade de dados já segmentam essas funções em roles mais
específicos do que nós citamos. Como Engenheiros de machine learning, alguns times contam com
DevOps e Engenheiro de MLOps.
 8

Sessão 3
Qual sua maturidade de dados?

Legal, falamos sobre toda a cadeia de valor da informação e as principais fun-

ções de um time de dados. Mas e ai, você deve começar contratando toda essa
galera? Bom, tudo depende de onde você está na maturidade de dados. Nós
separamos a maturidade em 3 níveis.

3 Inteligência Artificial
- Preveja o futuro.

Analytics e BI 2
- Acompanhe o presente.

1 Engenharia
de Dados e BI
- Entenda seu passado.

1- Engenharia de dados e BI - Entenda o seu passado
A primeira frente de trabalho, ou nível de maturidade
que empresas devem desenvolver, e a de Engenharia de
dados e BI. O objetivo é garantir que os dados estejam
prontos para análise, e atualizados na frequência apro-
priada, em resumo, ter uma fonte única da verdade.
Sabe aqueles silos de informação (data silos)? Cada
departamento com seus dados e KPIs em seus sistemas
operacionais? Nessa etapa acabamos com eles através
dessa base de dados analítica que reúne todos os dados
da empresa num único lugar.
A partir desses dados num modelo analítico, a ideia é
começar a desenvolver reports e dashboards para
entender a evolução do negócio. Isso vai permitir que os
colaboradores tenham acesso rápido e fácil a dados que
eles precisam no dia a dia, e vai fazer com que as pesso-
as entendam melhor o comportamento e características
da organização. Esse processo é conhecido como demo-
cratização dos dados.
2- Analytics e BI - Acompanhe o presente
Uma vez que os colaboradores tenham um melhor
entendimento das métricas da empresa, fica mais fácil e
rápido entender quando algo sai do normal. Perceber
uma oportunidade ou um problema. A partir desse
acesso fácil aos dados e reports mencionados na fase 1,
chegamos no momento de Analytics e BI, ou seja, onde
investigamos problemas e oportunidades através de
dados, não necessariamente em relatórios de evolução
de longo prazo, mas análises Ad-hoc e no acompanha-
mento frequente das métricas.
9
Aqui a estatística começa a ser mais aplicada, mas
ainda não estamos falando de aprendizagem de má-
quina. Ela entra na próxima fase.
3- Inteligência artificial - Preveja o Futuro
A partir da fase 2, entendemos que alguns problemas
ou oportunidades se repetem e acabam acontecendo
em escala, onde a organização pode ter um grande
ganho. Aí a aplicação de inteligência artificial passa a
fazer sentido. Nessa fase, o foco é em desenvolver
soluções de recomendação ou previsão para proble-
mas frequentes e de escala. Um ótimo exemplo de
utilização de inteligência artificial por empresas de
tecnologia é de algoritmos de previsão de churn de
clientes. Isso ajuda a entender melhor o perfil ideal de
cliente e traz maior previsibilidade de receita. Além de
conseguir antecipar uma saída, possibilitando um
papel ativo do Customer Succes para evitar que isso
aconteça.
**Vale ressaltar que essa evolução não é linear. É tudo
muito complexo quando falamos de organizações,
onde alguns processos e departamentos podem estar
num estágio de I.A, enquanto outras ainda dependem
de planilhas eletrônicas para controle. Definir priori-
dades é fundamental. Também é importante comen-
tar que essas fases e práticas não se limitam ao uso
interno da organização, pois muitos produtos têm
dados e I.A como core para o consumidor.
 10

Sessão 4
Como o time de dados integra os
outros times?

O seu time de dados pode operar de diferentes maneiras, destacamos 3 prin-

cipais. Todas elas podem ser trabalhadas com times internos ou terceiros.
1. Centralizado

É normalmente o modelo que empresas começam a utilizar quando iniciam

na sua jornada data-driven. Nessa estrutura o time de dados tem acesso a
todos os dados e serviços e tem projetos com todos os departamentos.

TIME DO
FINANCEIRO

TIME DE
TIME DE DADOS TIME DE
PRODUTO DS DS DS MARKETING
DE DE DE

TIME DE
SUPORTE

Data scientist: Cientista de dados. Data engineer: Engenheiro de dados.

 11
Vantagens 2. Descentralizado / Embedd

O time de dados consegue participar de outros projetos
da companhia enquanto mantém seu próprio roadmap.
O time tem uma visão holística da organização sabendo
que projetos priorizar.
Nessa organização descentralizada, cada departamento
é responsável por contratar seus “próprios” colaborado-
res de dados, onde os analistas e engenheiros de dados
conseguem focar em resolver problemas de cada depar-
tamento.

A troca de conhecimento entre o time de dados agiliza

na rampagem desses colaboradores e o time pode se
beneficiar de insights entre seus integrantes.
TIME DO
O Head de dados tem uma visão holística de negócios e FINANCEIRO
por consequência facilita a estratégia de dados. DS DE

Plataformas
TIME DE de dados
TIME DE
PRODUTO comuns MARKETING
DS DE fornecidas. DS DE

Contras
TIME DE
O time de dados não está imerso nas operações da área. SUPORTE
DS DE

Risco de o time de dados ser reduzido a um departa-

mento de “suporte”.

Outros departamentos podem se sentir prejudicados

Data scientist: Cientista de dados.
por uma burocracia ou demora na entrega de suas
demandas. Data engineer: Engenheiro de dados.
 12

Vantagens

Como estão mais próximos dos problemas, esse modelo

possibilita uma maior agilidade na resolução dos mesmos.

Os PMs conseguem delegar para uma pessoa específica

que confiam para aquela tarefa, ao invés de delegar para
outro time.

O budget para os projetos de dados já está integrado ao

time que quer resolver o problema.

Contras

Não vai existir uma fonte única da verdade, como sugerido

na sessão anterior. Provavelmente muitos dados serão
duplicados.

Colaboradores de dados podem trabalhar em problemas

redundantes por falta de comunicação.
Os insights e aprendizados do time de dados não vai fluir
entre os responsáveis em cada área como fluiria num
modelo centralizado.

Gerentes que não tem um background técnico podem

achar complicado gerenciar profissionais de dados.
 13

3. Centro de excelência

Esse modelo é o mais aplicado por aquelas que já chegaram a uma maior maturidade de dados e estão engajando
em análises preditivas. Esse modelo funciona pois ao mesmo tempo em que boas práticas são compartilhadas, cada
área conta com algum expert de dados alocado a ela. O Centro de Excelência também possibilita um líder de dados
com uma visão mais holística.

TIME DO
FINANCEIRO
DS

CENTRO DE
TIME DE TIME DE
EXCELÊNCIA
PRODUTO MARKETING
DS DS DS
DS
DE

TIME DE
SUPORTE
DS
 14
Vantagens

O modelo de centro de excelência compartilha das

vantagens dos dois modelos citados anteriormente.

Contras

Demanda um layer adicional de coordenação e comunicação

para garantir o alinhamento dos projetos das unidades de
negócio.

Não faz tanto sentido para pequenas e médias empresas.

Ter acesso a um time de dados e organizá-lo da

maneira apropriada para o momento da organiza-
ção é crucial. Independente se você utilizar um
time terceirizado ou contratar um time interno,
tenha certeza de que você terá acesso às compe-
tências necessárias no momento certo, e que a
comunicação vai fluir bem entre as áreas de negó-
cio de uma forma que garanta a sua evolução na
maturidade de dados.
 15

Nunca limite os dados de produto

Sessão 5
ao time de desenvolvimento!
Você já deve ter percebido que não falamos unicamente sobre dados e produ-
to. Isso acontece porque os dados de produto NUNCA devem ser limitados ao
time de desenvolvimento! Devemos levar em consideração a melhor maneira
de organizar isso pensando na empresa como um todo, e isso vai facilitar o
alinhamento entre o time de dados e de desenvolvimento do produto.

Quais outras áreas se beneficiam com dados de produto? Alguns exemplos:

Customer Success

Como falamos na primeira sessão, alguns usos para os dados do produto são
informações de onboarding e retenção. Claro que isso não deve se limitar aos
desenvolvedores e a gestão de produto, mas deve ser munição para o time que
está em contato com o usuário final, o CS!!

Vendas e Growth

Qual feature gera mais valor? Ela está sendo apresentada no pitch comercial?
Qual o retorno dos clientes que usam nosso produto? Taxa de sucesso? Tudo
isso são armas que o time comercial pode utilizar!
Analisando os canais para entender o custo de aquisição para o cliente, analis-
tas de growth também precisam olhar a rentabilidade que esse cliente traz
para a organização! Ele vem de qual canal? Onde temos a melhor relação de
LTV / CAC?

Claro que esses dados não vem exclusivamente do produto, mas fazem a dife-
rença para a estratégia de crescimento da empresa!

Imagina ter acesso fácil aos dados de CRM, email marketing, produto, financei-
ro?